Gazprombank.Tech muestra cómo la personalización con IA elevó un 25% el cobro de deudas

Gazprombank.Tech contó cómo implantó Next Best Action para trabajar con la deuda vencida. El equipo combinó una nueva arquitectura de datos con modelos uplift para elegir el mejor canal de contacto para cada cliente y recuperar el dinero más rápido, sin sobrecargar el call center.

Dónde se perdían los días

Antes del nuevo esquema, el banco seguía la lógica de una plataforma de datos clásica: las fuentes se replicaban en un almacén operativo, pasaban por las capas Stage y Core del almacén corporativo y después llegaban a las vitrinas de Hadoop para entrenar y puntuar modelos. La cadena era fiable, pero demasiado lenta para el cobro. La información más sensible, el hecho mismo de que había un impago, llegaba a los modelos con un retraso de hasta tres días. El cliente ya no había pagado, pero la respuesta personalizada del banco no arrancaba hasta pasado mañana.

A esto se sumaba la antigua lógica de comunicaciones. Los contratos se clasificaban en una matriz de Balance at Risk: cuanto mayores el riesgo y el saldo, más contactos recibía el cliente. Después venía una cascada fija de acciones: push, SMS, llamada de un robot, llamada de un operador. Este enfoque funcionaba por segmentos, pero no respondía a la pregunta más importante: qué canal funcionará con este cliente concreto ahora. El resultado: se molestaba a parte de la gente sin necesidad y el call center gastaba recursos en llamadas que se podían evitar.

Cómo se construyó NBA

El equipo decidió no romper el sistema de negocio Collection, muy cargado, ni añadirle otro proceso pesado. En su lugar, los desarrolladores localizaron una tarea automática ya existente que se ejecuta en el momento en que aparece el impago y se conectaron a ella mediante ETL Framework. Los eventos necesarios se etiquetaban y se volcaban de inmediato a Hadoop y Data Factory, sin retrasos innecesarios. Así, el banco empezó a enterarse del impago casi en el instante en que ocurría, sin crear carga adicional en el circuito principal.

Después cambiaron el propio modelo de decisión. En lugar de segmentar, el equipo pasó a First Best Action y Next Best Action: el sistema no solo determina el riesgo, sino que recomienda el mejor siguiente canal de contacto. Para el piloto se probaron varios enfoques uplift: modelos solo, pares de modelos independientes y dependientes, y variantes multiclase y multi-treatment. Los evaluaron no por una única métrica llamativa, sino por un conjunto de restricciones a la vez: Gini, Balance at Risk, Qini, coste de las comunicaciones, presupuesto y disponibilidad de operadores del call center.

«Decidimos que no íbamos a elegir nada y que simplemente escribiríamos

un optimizador».

El resultado es un optimizador que, en cada etapa del impago, entrena y ajusta un conjunto de modelos y luego elige la mejor opción según las restricciones concretas del negocio. En la etapa temprana de First Best Action, el sistema recomienda directamente si conviene escribir al cliente, enviar un push o un SMS, o pasar el caso a un robot o a un operador. Además, el banco mantiene modelos de control de calidad para ver no solo la conversión final, sino también cómo se comportan los modelos uplift dentro de cada grupo.

Qué mostró el piloto

El piloto se diseñó como un experimento honesto. Alrededor del 30% del flujo se dirigió al circuito de prueba y el resto se repartió entre la estrategia antigua y el nuevo sistema de recomendaciones. Los datos empezaron a acumularse a finales de 2024 y luego se necesitaron otros dos meses para el desarrollo y el paso a producción. Según el equipo, el proyecto cupo en el ciclo de vida habitual de un modelo, pero dio un efecto notable ya en la primera etapa del cobro.

• La tasa de regularización subió un 25% respecto a la estrategia actual.
• En canales de comunicación concretos, el efecto aportó entre un 15% y un 32% de beneficio adicional.
• Las llamadas de operadores se redujeron un 73% y el coste de comunicación por cliente, un 10%.
• La respuesta de los clientes aumentó un 5% en las llamadas de operador y un 11% en las de robot.
• El efecto financiero superó los 3.000 millones de rublos en saldos preservados por cada 20.000 contratos en solo un mes en la etapa de First Best Action.

Qué significa

El caso de Gazprombank.Tech muestra que en procesos sensibles como el cobro no gana la comunicación más agresiva, sino la más precisa. Si se elimina el retraso de datos y se elige el canal de contacto para cada cliente, la IA puede elevar la recuperación, reducir costes y no quemar la lealtad de los clientes con llamadas innecesarias.